An Online Learning Approach for Dengue Fever Classification

Arboviruses are a group of diseases that are transmitted by an arthropod vector. Since they are part of the Neglected Tropical Diseases that pose several public health challenges for countries around the world. The arboviruses' dynamics are governed by a combination of climatic, environmental, and human mobility factors. Arboviruses prediction models can be a support tool for decision-making by public health agents. In this study, we propose a systematic literature review to identify arboviruses prediction models, as well as models for their transmitter vector dynamics. To carry out this review, we searched reputable scientific bases such as IEE Xplore, PubMed, Science Direct, Springer Link, and Scopus. We search for studies published between the years 2015 and 2020, using a search string. A total of 429 articles were returned, however, after filtering by exclusion and inclusion criteria, 139 were included. Through this systematic review, it was possible to identify the challenges present in the construction of arboviruses prediction models, as well as the existing gap in the construction of spatiotemporal models.

show abstract

“…Srivastava et al (84) bring a classification of dengue using online learning. Thus, learning takes place with just a few training examples.…”

Section: Arboviruses Detectionmentioning

confidence: 99%

Temporal and Spatiotemporal Arboviruses Forecasting by Machine Learning: A Systematic Review

Lima

Silva

Moreno

et al. 2022

Front. Public Health

View full text Add to dashboard Cite

show abstract

“…Este estudio utiliza variables como síntomas y resultados de laboratorio para realizar la predicción. Otras investigaciones utilizan diferentes técnicas de machine learning con síntomas clínicos similares para el diagnóstico del dengue, como por ejemplo las técnicas Decisión Tree y Naive Bayes [10], SVM [23] y Redes Neuronales Profunda-DNN [24]. conclusIones El dengue es un virus que afecta gran parte de la población mundial, su comportamiento se presenta en tres fases conocidas como Fase Febril, Fase Crítica y Fase de recuperación.…”

Section: Machine Learningunclassified

Conceptualización del diagnóstico del Dengue desde una perspectiva de la ingeniería y las nuevas tecnologías

Hoyos

2022

CESTA

View full text Add to dashboard Cite

Introducción: El dengue es una enfermedad tropical transmitida por mosquito que según reportes de la Organización Mundial de la Salud (OMS) deja unos 390 millones de personas infectadas cada año, es una de las enfermedades que más afecta la salud de la población y la economía a nivel mundial. En consecuencia, Se ha realizado muchos esfuerzos desde diferentes áreas del saber por hacer frente a esta enfermedad. Objetivo: El objetivo de este artículo es presentar una conceptualización de la enfermedad del dengue desde una perspectiva de la ingeniería, caracterizando su comportamiento en las personas y como las principales tecnologías están realizando investigaciones para la predicción temprana. Método: Para su desarrollo se consultaron bases de datos especializadas como SCOPUS, WOS, IEEE, PUBMED. De igual forma, se hizo una revisión de como las tecnologías de la información y comunicación TIC y de las ciencias computacionales están adelantando investigaciones para la predicción temprana del dengue. Resultado: Como resultado se obtuvo que las principales tecnologías son el Machine Learning, el Big Data y la Inteligencia artificial con el desarrollo de modelos capaces de predecir la enfermedad de manera temprana. Existen muchas técnicas específicas que se utilizan, sin embargo, no se abordan en este artículo, solo se presenta la conceptualización de las tecnologías principales. Conclusiones: Se logra concluir que existen esfuerzos desde el área de la ingeniería en realizar investigaciones asociadas a la predicción del dengue para hacer frente al impacto que está generando la enfermedad.

show abstract

“…Machine learning algorithms are used in predicting diseases [7]. Diabetes prediction is an example of diseases prediction using machine learning [8].…”

Section: Related Workmentioning

confidence: 99%

Questionnaire based Prediction of Hypertension using Machine Learning

Chaturvedi

Srivastava

Rai

et al. 2020

Preprint

Self Cite

View full text Add to dashboard Cite

Machine Learning has proven its ability in healthcare as an assisting technology for health care providers either by saving precious time or timely alerts or vitals monitoring. However, their application in real world is limited by availability of data. In this paper, we show that simple machine learning algorithms especially neural networks, if designed carefully, are extremely effective even with limited amount of data. Specifically with exhaustive experiments on standard Modified National Institute of Standards and Technology database (MNIST) dataset we analyse the impact of various parameters for effective performance. Further, on a custom dataset collected at a tertiary care hospital for hypertension analysis, we apply these design considerations to achieve better performance as compared to competitive baselines. On a real world dataset of only a few hundred patients, we show the effectiveness of these design choices and report an accuracy of 75% in determining whether a patient suffers from hypertension.

show abstract

An Online Learning Approach for Dengue Fever Classification

Cited by 4 publications

References 36 publications

Temporal and Spatiotemporal Arboviruses Forecasting by Machine Learning: A Systematic Review

Temporal and Spatiotemporal Arboviruses Forecasting by Machine Learning: A Systematic Review

Conceptualización del diagnóstico del Dengue desde una perspectiva de la ingeniería y las nuevas tecnologías

Questionnaire based Prediction of Hypertension using Machine Learning

Contact Info

Product

Resources

About